मूल विचार
इन दिनों, राज्य के अत्याधुनिक छवि वर्गीकरण समस्याओं के लिए गहरी सीखने (जैसे ImageNet) आमतौर पर "गहरी convolutional तंत्रिका नेटवर्क" (दीप ConvNets) कर रहे हैं। वे Krizhevsky et al द्वारा इस ConvNet विन्यास की तरह मोटे तौर पर देखने के लिए: 
निष्कर्ष के लिए (वर्गीकरण) आपको बाईं ओर में एक छवि (सूचना है कि बाईं ओर गहराई 3 है, आरजीबी के लिए) फ़ीड, संकट संकल्प फ़िल्टर की एक श्रृंखला के माध्यम से, और यह दाईं ओर एक 1000-आयामी वेक्टर थूकता है। यह तस्वीर विशेष रूप से इमेजनेट के लिए है, जो छवियों की 1000 श्रेणियों को वर्गीकृत करने पर केंद्रित है, इसलिए 1000 डी वेक्टर "यह छवि कितनी संभावना है कि यह छवि श्रेणी में फिट बैठती है।"
प्रशिक्षण तंत्रिका नेट केवल थोड़ा अधिक जटिल है। प्रशिक्षण के लिए, आप मूल रूप से कक्षा में वर्गीकरण फ़िल्टर को बेहतर बनाने के लिए बार-बार वर्गीकरण चलाते हैं, और हर बार आप बैकप्रोपैगेशन (एंड्रयू एनजी के व्याख्यान देखें) करते हैं। असल में, बैकप्रोपैगेशन पूछता है "नेटवर्क सही तरीके से/गलत तरीके से वर्गीकृत करता है? गलत वर्गीकृत सामान के लिए, नेटवर्क को थोड़ा सा ठीक करें।"
कार्यान्वयन
Caffe एक बहुत तेजी से गहरी convolutional तंत्रिका नेटवर्क का खुला स्रोत कार्यान्वयन (Krizhevsky एट अल से cuda-convnet तेजी से) है। कैफे कोड पढ़ने के लिए बहुत आसान है; मूल रूप से एक सी ++ फ़ाइल प्रति प्रकार की नेटवर्क परत (उदा। संकल्पक परतें, अधिकतम-पूलिंग परतें आदि) है।
क्रॉस मान्य पर इस उत्तर को देखें: http://stats.stackexchange.com/a/41201/14673 –
यह प्रश्न पारित http://stats.stackexchange.com/questions/41029/restricted-boltzmann- मशीनों के लिए प्रतिगमन/41201 # 41201 – lejlot